本文作者为读秒 CEO 周静。近 20 年跨国银行风险管理经验，全面负责个人及中小企业金融产品设计及风险控制；曾在美国第一资本（Capital One）就职 8 年，历任产品、市场、风控高级经理。2006 年回到中国，在渣打银行就职 9 年，创立渣打银行零售风险管理团队，任渣打中国零售银行首席风险官，管理超过 50 亿美元的信贷资产。2014 年底加入 PINTEC 集团，创立读秒。
近年来，智能信贷正在成为科技金融的先锋力量。
信贷服务是人们最普遍的金融需求之一，然而传统银行信贷审批流程繁冗、耗时长，民间借贷利率高、渠道复杂甚至不正规，普通人能享受到的信贷服务便捷度、质量、效率不高。与此同时，中国电商、O2O、移动交互的普及率甚至超过美国，很多人已经习惯了用数字化的方式（如手机移动端）去处理生活的一切所需。纯数字化的智能信贷逐渐条件成熟。
智能信贷是指一种纯线上全自动智能化的信贷模式，有别于传统信贷的是，智能信贷的所有流程都在线上完成，从风控、授信到贷后管理均由系统自动完成。除了对模型的调整，人工不会干预信贷的流程。智能信贷具有极速、简便、边际成本递减、适配线上线下多种场景等优势。
2014 年底，消费金融市场风口初现，智能信贷的机会到来了。此时大数据驱动的消费金融正在成为风口，蚂蚁花呗、京东白条、腾讯微粒贷等互联网巨头也纷纷打造各自的数字化消费金融业务，智能信贷的热潮在中国愈演愈烈。而智能信贷的背后一定是数字化管理和精细化运营的支撑。
大数据风控的数据在「精」不在「大」
中国信贷行业有两个迷思。其一是认为中国的信用数据匮乏。我深入了解美国和中国的征信与风控，与美国相比，中国的信用数据并不稀缺，来源也非常多，关键是如何使用。可以说智能信贷的壁垒早已不是数据量的大或多，而是如何精确地、科学地运用数据。
银行、电商、运营商、社交媒体等集合数据已经能够很好地覆盖中国消费者，并能展现绝大多数人的信用情况，获取的难度也不高。读秒对接的 30 余个数据源中，大部分是公开的，我们从中提取 100 个主要变量，进行交叉验证，形成 500 多个主要维度去建模分析，数据的使用决定了风控水平的高低，大数据风控的意义也在此体现。
举例来说，用户填写的「收入水平」为变量 A，「工作地点」为变量 B，申请时 IP 地址的「所处区域」为变量 C。从 A+B 的维度来看，倘若用户填写的 A 月收入有数万元，B 却显示在某个偏远山区的修车厂工作，我们或许应该怀疑用户隐瞒收入。若从 B+C 的维度来看，倘若 B 变量显示用户工作地点在北京，C 却显示申请时 IP 地址在云南，或者频繁更换 IP 地址去申请，我们或许应该考虑金融欺诈的风险。若结合 A+B+C 的维度来看，若 B 变量显示客户在北京国贸工作，A 变量显示月入 10000 元，IP 地址、申请地点都在北京，通过三个变量数据的交叉验证，可以初步推断申请人是常住北京的中等收入白领。
此外，用户在申请时的行为也是一种数据维度，可以很好地用以鉴别金融欺诈。读秒长期以来的运营数据开始统计出一些规律，比如在凌晨 3 点左右申请贷款的用户，信用风险更高——很多欺诈者对智能信贷不熟悉，错误地以为凌晨无信贷员审批，或许是防御薄弱的突破口；此外，在申请读秒现金贷时，多次修改填写资料的用户可能存在信息造假——因为普通人通常不会频繁记错自己的私人信息。这些独特的用户行为数据一定程度上也能甄别风险，反应用户信用。
中国市场上的另一个迷思，是对「大数据」和「社交数据」的迷信。比如十分倚重巨头体系内数据的权重，或者打造「朋友圈影响力」、「职业偏好」「模拟人类大脑」等特殊维度，并以此为主要风控模型等。我曾经有十多年的经验都在与风控打交道，在我看来，智能信贷的风控更多的是将传统信贷的风控流程数字化、智能化，而并没有改变传统风控的基本规则，传统风控需要考量的借贷者收入、风险、还款意愿等一系列指标仍然是核心数据。上述做法可能能从某个侧面反映了信用水平，但并不能以偏概全替代所有数据。
如何选择变量？如何组合？如何测算？单项的评分结果占用户信用评分的权重多少？什么情况会触动欺诈模型？这些都需要技术和金融团队不断打磨和优化，优秀地运用数据才能最大程度让数据说话，才能全面展现用户信用并作出授信决策。
智能信贷的取胜之道在于精细化运营
金融圈中流行一句玩笑，「最好的风控就是不给任何人借一分钱」。
风控是重要的，但这样孤立的看待风险在商业上无法自立。智能信贷不仅仅是风控一个方面。智能信贷是一整套体系，风控只是其中一环，只有在客户挖掘、风险定价、贷后用户行为预测、催收、复贷策略等各个方面都进行精细化的运营，才有可能在商业上取胜。
在信贷业务的起点「获客」阶段，读秒会以用户画像为基础，在众多的客户中锁定最有价值的用户，在筛选有效用户时，一定程度上也保障了客户转化率和用户产生的价值。
圈定用户后，「定价」环节也需要精细化运营，不同信用水平的用户需要差异化的定价。粗略而言，借贷人群可以用「风险水平」和「借贷频率」划分为四个象限。（如下图）显然「低风险高频率」的用户是理想客户，但若在收益能够覆盖损失的情况下，「较高风险高频率」和「低风险低频率」申请者也可以带来很好的收入。读秒通过不断测试找到最佳的用户分层方式，平衡损失和收益，进行差异化定价，这类客户甚至能够带来更大的商机。
读秒 CEO 周静：巨头包围下，智能信贷创业公司的机会在哪？
从「风险水平」和「借贷频率」进行用户分层
贷后环节也是重要的一环。读秒通过对不同用户以及信贷情况的监测评估，在贷前、贷中过程中会将用户的逾期风险从高到低排列。客户逾期时，系统已经预测出了催收成本与收益，并推算出应该使用的催收方式，催收频率，从而优化催收学历证资源的配置。在复贷策略上，我们会分析已有客户的还款行为、重复消费等行为数据，并针对性地给予优质客户不同产品的交叉营销，深度挖掘优质客户价值，精准运营。
智能信贷利用各大数据的精细化运营，给予用户全流程管理，提高服务质量和效率。整套流程才是智能信贷的商业取胜点。
开放体系的智能信贷更容易成功
人们普遍有一种「巨头必胜」的错误理念。诚然，巨头在生态、规模、数据上都有其优势，但拥有这些优势同时也带来了一些束缚，
首先是风控模型上的先天不足。生态内的大数据风控常常依赖于特定场景，比如化妆品电商的数据、旅行数据、地产商数据等，不同场景下的模型是不通用的。倘若用综合电商的数据去做医疗信贷的风控，模型的适用性将成问题。
第二，是合作问题，互联网巨头与小公司合作，往往小公司会成为附属；巨头之间的强强联合，又往往难涉及核心业务。金融从本质上是对风险的运营，这个行业具有特殊性，很少出现少数企业独吞市场的情况。在没有足够大量的合作时，再大的体系内闭环也只是金融市场里的一个小圈，一旦生态闭环形成，就等于阻隔了绝大部分市场。
金融是看重边际效应的行业，而互联网看重的是规模效应。相比于互联网巨头的体系和生态闭环，开放体系的智能信贷业务将获得更大成功。
拥有开放体系的公司其技术体系有很高的灵活性，能够方便地嵌入到不同的消费场景中。嵌入的方式既可以是全流程的完整服务，也可以是获客、风控、资金、贷后等不同环节的核心技术。目前读秒已经与安盛集团、康德乐、乐视商城、携程、去哪儿等重量级公司达成合作，并得到市场的广泛认可。这种合作能够让读秒更聚焦、更专业。而这种不依赖单一产业圈、适配性强的开放体系也能包容更多合作，联手各行各业做大做强。
智能信贷终将由专业公司主导
在美国，fintech 领域的知名公司都是以金融技术为主导的高科技公司。智能信贷行业需要极强的技术壁垒和专业性，还需要专注地用实践去打磨，而这些品质往往是专业的公司才能达到的。
中国的消费金融还在起步阶段，风口之下许多追求「大而全」的公司愿意自己动手，半路出家切入消费金融市场。然而金融的复杂性、专业性决定了其难以成为任何公司的副业。传统行业的公司可能最终仍然以服务线下为最优选择，做电商起家的公司可能也会保持「交易」为第一要务，都难以长久专注于金融与金融技术，倘若顺着风口而行，或许能走一段时间，但终究会因为金融和科技的高门槛被拒之门外。
第二次工业革命时引入标准化生产车间，人们不再需要从头至尾完成整个流程的工作，有了各自分工，从而大大提升工作效率。随着时代的发展，这样的分工正在走向更尖端的领域。未来的行业正朝着越来越精细的方向走，高精尖的环节也将被模块化，专业的公司做专业的事，让每一块运营都最高效率。
